بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان)
تشخیص گونه های درختی و تهیه نقشه ترکیب درختان نقش مهمی در اتخاذ تصمیمات بهینه برای مدیریت بوم سازگان جنگلی در نواحی وسیع ایفا می کنند. بررسی قابلیت منابع متفاوت سنجش‌ازدوری نظیر تصاویر رقومی هوایی در منابع مختلف جنگلی به‌عنوان راهکار جایگزین روش‌های زمینی در سال‌های اخیر موردتوجه قرارگرفته است. داده...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Gorgan University of Agricultural Sciences and Natural Resources
2017-05-01
|
| Series: | پژوهش های علوم و فناوری چوب و جنگل |
| Subjects: | |
| Online Access: | https://jwfst.gau.ac.ir/article_3639_c4af0db50b14ef5a0a730c64fbb8f9ee.pdf |
| _version_ | 1827609687206395904 |
|---|---|
| author | اقدس قاسمی رزوه شعبان شتایی جویباری جهانگیر محمدی |
| author_facet | اقدس قاسمی رزوه شعبان شتایی جویباری جهانگیر محمدی |
| author_sort | اقدس قاسمی رزوه |
| collection | DOAJ |
| description | تشخیص گونه های درختی و تهیه نقشه ترکیب درختان نقش مهمی در اتخاذ تصمیمات بهینه برای مدیریت بوم سازگان جنگلی در نواحی وسیع ایفا می کنند. بررسی قابلیت منابع متفاوت سنجش‌ازدوری نظیر تصاویر رقومی هوایی در منابع مختلف جنگلی به‌عنوان راهکار جایگزین روش‌های زمینی در سال‌های اخیر موردتوجه قرارگرفته است. داده‌های سنجش از دور، به ویژه تصاویر هوایی رقومی با قدرت تفکیک مکانی و رادیومتری بالا ابزار مناسبی برای شناسایی گونه‌های درختی می‌توانند باشند. در روش های معمول پیکسل-پایه، طبقه‌بندی پیکسل‌های تصاویر می‌تواند با الگوریتم‌های مختلفی صورت گیرد. روش های متداول طبقه بندی رقومی نظیر الگوریتم حداکثر شباهت، رایج‌ترین روش‌های مبتنی بر طبقه‌بندی پیکسل پایه می باشند. استفاده از روش های نوین طبقه‌بندی نظیر الگوریتم ناپارامتریک ماشین بردار پشتیبان و مقایسه کارایی این الگوریتم‌ها ضروری می باشد. سابقه و هدف: با توجه به انجام چند تحقیق در بررسی قابلیت تصاویر رقومی هوایی در جنگل‌های شهری و جنگلکاری‌های شمال کشور و عدم وجود تحقیق در زمینه بررسی قابلیت تصاویر رقومی هوایی در شناسایی گونه های درختی در جنگل های آمیخته خزری، هدف از این تحقیق، بررسی قابلیت تصاویر هوایی رقومی (UltraCam-D) در شناسایی گونه های درختی جنگل‌های پهن‌برگ آمیخته خزری (در بخشی از سری یک جنگل شصت کلاته گرگان) و مقایسه کارایی دو الگوریتم پیکسل-پایه حداکثر شباهت و ماشین بردار پشتیبان است. مواد وروش ها: نقشه واقعیت زمینی گونه‌های درختی با ثبت دقیق موقعیت مکانی 128 پایه درختی با سیستم موقعیت‌یاب جهانی تفاضلی تهیه گردید. تشخیص و طبقه‌بندی گونه های درختی به روش پیکسل پایه با مجموعه باندهای اصلی و مصنوعی حاصل از پردازش باندها و با استفاده از دو الگوریتم حداکثر شباهت و ماشین بردار پشتیبان صورت گرفت. ارزیابی صحت نقشه های حاصل از طبقه بندی ها با استفاده از 25 درصد نمونه های واقعیت زمینی انجام شد، یافته ها: نتایج ارزیابی صحت بعد از انجام فیلتر نشان دادند نقشه حاصل از طبقه‌بندی با الگوریتم حداکثر شباهت به ترتیب دارای صحت کلی و ضریب کاپا 63/63 درصد و 51/0 و برای الگوریتم ماشین بردار پشتیبان به ترتیب 42/37 درصد و 2/0 بوده است. نتیجه گیری: با مقایسه نتایج حاصل نمایان شده که روش طبقه‌بندی پیکسل پایه در تشخیص گونه‌های درختی به خاطر خاصیت فلفل نمکی یا استفاده نکردن از داده های کمکی در فرآیند طبقه بندی (شیب، ارتفاع و غیره) به‌طور نسبی مؤثر واقع نشده است. استفاده از دیگر روش‌ها مثل روش طبقه بندی شی پایه در تشخیص گونه‌های درختی پیشنهاد می‌شود. هم چنین باید ارزیابی قابلیت این تصاویر، در شرایط رویشگاهی مختلف امتحان شود. |
| first_indexed | 2024-03-09T07:37:02Z |
| format | Article |
| id | doaj.art-27fa44babb034eb7a46bacd63f73ef9d |
| institution | Directory Open Access Journal |
| issn | 2322-2077 2322-2786 |
| language | fas |
| last_indexed | 2024-03-09T07:37:02Z |
| publishDate | 2017-05-01 |
| publisher | Gorgan University of Agricultural Sciences and Natural Resources |
| record_format | Article |
| series | پژوهش های علوم و فناوری چوب و جنگل |
| spelling | doaj.art-27fa44babb034eb7a46bacd63f73ef9d2023-12-03T05:27:50ZfasGorgan University of Agricultural Sciences and Natural Resourcesپژوهش های علوم و فناوری چوب و جنگل2322-20772322-27862017-05-01241779010.22069/jwfst.2017.9867.15203639بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان)اقدس قاسمی رزوه0شعبان شتایی جویباری1جهانگیر محمدی2دانشگاه علوم کشاورزی و منابع طبیعی گرگاندانشگاه علوم کشاورزی و منابع طبیعی گرگاندانشگاه علوم کشاورزی و منابع طبیعی گرگانتشخیص گونه های درختی و تهیه نقشه ترکیب درختان نقش مهمی در اتخاذ تصمیمات بهینه برای مدیریت بوم سازگان جنگلی در نواحی وسیع ایفا می کنند. بررسی قابلیت منابع متفاوت سنجش‌ازدوری نظیر تصاویر رقومی هوایی در منابع مختلف جنگلی به‌عنوان راهکار جایگزین روش‌های زمینی در سال‌های اخیر موردتوجه قرارگرفته است. داده‌های سنجش از دور، به ویژه تصاویر هوایی رقومی با قدرت تفکیک مکانی و رادیومتری بالا ابزار مناسبی برای شناسایی گونه‌های درختی می‌توانند باشند. در روش های معمول پیکسل-پایه، طبقه‌بندی پیکسل‌های تصاویر می‌تواند با الگوریتم‌های مختلفی صورت گیرد. روش های متداول طبقه بندی رقومی نظیر الگوریتم حداکثر شباهت، رایج‌ترین روش‌های مبتنی بر طبقه‌بندی پیکسل پایه می باشند. استفاده از روش های نوین طبقه‌بندی نظیر الگوریتم ناپارامتریک ماشین بردار پشتیبان و مقایسه کارایی این الگوریتم‌ها ضروری می باشد. سابقه و هدف: با توجه به انجام چند تحقیق در بررسی قابلیت تصاویر رقومی هوایی در جنگل‌های شهری و جنگلکاری‌های شمال کشور و عدم وجود تحقیق در زمینه بررسی قابلیت تصاویر رقومی هوایی در شناسایی گونه های درختی در جنگل های آمیخته خزری، هدف از این تحقیق، بررسی قابلیت تصاویر هوایی رقومی (UltraCam-D) در شناسایی گونه های درختی جنگل‌های پهن‌برگ آمیخته خزری (در بخشی از سری یک جنگل شصت کلاته گرگان) و مقایسه کارایی دو الگوریتم پیکسل-پایه حداکثر شباهت و ماشین بردار پشتیبان است. مواد وروش ها: نقشه واقعیت زمینی گونه‌های درختی با ثبت دقیق موقعیت مکانی 128 پایه درختی با سیستم موقعیت‌یاب جهانی تفاضلی تهیه گردید. تشخیص و طبقه‌بندی گونه های درختی به روش پیکسل پایه با مجموعه باندهای اصلی و مصنوعی حاصل از پردازش باندها و با استفاده از دو الگوریتم حداکثر شباهت و ماشین بردار پشتیبان صورت گرفت. ارزیابی صحت نقشه های حاصل از طبقه بندی ها با استفاده از 25 درصد نمونه های واقعیت زمینی انجام شد، یافته ها: نتایج ارزیابی صحت بعد از انجام فیلتر نشان دادند نقشه حاصل از طبقه‌بندی با الگوریتم حداکثر شباهت به ترتیب دارای صحت کلی و ضریب کاپا 63/63 درصد و 51/0 و برای الگوریتم ماشین بردار پشتیبان به ترتیب 42/37 درصد و 2/0 بوده است. نتیجه گیری: با مقایسه نتایج حاصل نمایان شده که روش طبقه‌بندی پیکسل پایه در تشخیص گونه‌های درختی به خاطر خاصیت فلفل نمکی یا استفاده نکردن از داده های کمکی در فرآیند طبقه بندی (شیب، ارتفاع و غیره) به‌طور نسبی مؤثر واقع نشده است. استفاده از دیگر روش‌ها مثل روش طبقه بندی شی پایه در تشخیص گونه‌های درختی پیشنهاد می‌شود. هم چنین باید ارزیابی قابلیت این تصاویر، در شرایط رویشگاهی مختلف امتحان شود.https://jwfst.gau.ac.ir/article_3639_c4af0db50b14ef5a0a730c64fbb8f9ee.pdfشناسایی گونه های درختیتصاویر رقومی هواییultracam-dجنگل‌های پهن‌برگ آمیختهحداکثر شباهت |
| spellingShingle | اقدس قاسمی رزوه شعبان شتایی جویباری جهانگیر محمدی بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) پژوهش های علوم و فناوری چوب و جنگل شناسایی گونه های درختی تصاویر رقومی هوایی ultracam-d جنگل‌های پهن‌برگ آمیخته حداکثر شباهت |
| title | بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) |
| title_full | بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) |
| title_fullStr | بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) |
| title_full_unstemmed | بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) |
| title_short | بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان) |
| title_sort | بررسی قابلیت داده های تصاویر رقومی هوایی ultracam d در شناسایی گونه‌های درختی در جنگل های آمیخته خزری مطالعه موردی شصت کلاته گرگان |
| topic | شناسایی گونه های درختی تصاویر رقومی هوایی ultracam-d جنگل‌های پهن‌برگ آمیخته حداکثر شباهت |
| url | https://jwfst.gau.ac.ir/article_3639_c4af0db50b14ef5a0a730c64fbb8f9ee.pdf |
| work_keys_str_mv | AT ạqdsqạsmyrzwh brrsyqạblytdạdhhạytṣạwyrrqwmyhwạyyultracamddrsẖnạsạyygwnhhạydrkẖtydrjnglhạyậmykẖthkẖzrymṭạlʿhmwrdysẖṣtḵlạthgrgạn AT sẖʿbạnsẖtạyyjwybạry brrsyqạblytdạdhhạytṣạwyrrqwmyhwạyyultracamddrsẖnạsạyygwnhhạydrkẖtydrjnglhạyậmykẖthkẖzrymṭạlʿhmwrdysẖṣtḵlạthgrgạn AT jhạngyrmḥmdy brrsyqạblytdạdhhạytṣạwyrrqwmyhwạyyultracamddrsẖnạsạyygwnhhạydrkẖtydrjnglhạyậmykẖthkẖzrymṭạlʿhmwrdysẖṣtḵlạthgrgạn |